Um modelo preditivo para trombose relacionada a PICC em pacientes com sepse usando o algoritmo XGBoost

Por que isso importa para pacientes e familiares

Muitas pessoas com infecções potencialmente fatais, como a sepse, dependem de tubos longos e flexíveis inseridos nas veias para receber medicamentos e nutrição. Essas linhas, chamadas de cateteres PICC, são essenciais, mas às vezes podem provocar coágulos sanguíneos perigosos. Este estudo mostra como médicos usaram uma técnica computacional moderna para prever quais pacientes com sepse têm maior probabilidade de desenvolver coágulos ao redor desses cateteres, com o objetivo de prevenir complicações antes que ocorram.

Cateteres que ajudam e às vezes prejudicam

Quando os pacientes têm sepse, frequentemente precisam de semanas de antibióticos intravenosos, fluidos e nutrição. Cateteres centrais de inserção periférica, ou cateteres PICC, são introduzidos por uma veia no braço em direção ao coração para viabilizar esse tratamento. Apesar da conveniência, os PICC também podem perturbar o fluxo sanguíneo e irritar a parede do vaso, favorecendo a formação de coágulos. Esses coágulos podem obstruir veias, prolongar a permanência na unidade de terapia intensiva e, em casos graves, desprender-se e viajar para os pulmões. Até agora, tem sido difícil para os clínicos saber de antemão quais pacientes estão em maior risco, porque muitos fatores de saúde e sanguíneos atuam simultaneamente.

Usando big data e algoritmos inteligentes

Os pesquisadores recorreram a um grande banco de dados aberto de cuidados críticos de um importante hospital dos EUA, contendo registros detalhados de mais de 94.000 internações em terapia intensiva entre 2008 e 2022. A partir desse recurso, identificaram 8.128 adultos com sepse que tinham um cateter PICC por pelo menos dois dias e não apresentavam certas condições complicadoras, como cânceres hematológicos. Dentre esses pacientes, 538 desenvolveram um coágulo relacionado ao cateter, a maioria dentro do primeiro mês após a inserção. A equipe dividiu os pacientes em dois grupos: um para treinar o modelo computacional e outro para testar como ele funcionaria em casos novos.

O que o modelo aprendeu sobre o risco de coágulos

Para identificar padrões complexos demais para regras simples, a equipe usou uma abordagem chamada XGBoost, um tipo de aprendizado de máquina que combina muitas pequenas árvores de decisão em um único preditor robusto. Eles alimentaram o modelo com informações que os clínicos coletam rotineiramente, incluindo idade, sexo, resultados de exames de sangue, outras doenças e tempo de permanência do PICC. O modelo produziu uma probabilidade de que um paciente específico desenvolveria um coágulo. Sua precisão foi avaliada usando a área sob a curva ROC, uma referência padrão para ferramentas de predição. Valores em torno de 0,76 tanto nos conjuntos de treinamento quanto de teste indicaram que o modelo conseguia distinguir claramente pacientes de maior risco dos de menor risco.

Espiando dentro da caixa-preta

Uma preocupação comum com o aprendizado de máquina é que ele pode parecer uma caixa-preta. Para enfrentar isso, os pesquisadores usaram um método de interpretabilidade chamado SHAP para estimar quanto cada fator empurrava a previsão para risco mais alto ou mais baixo. As características mais influentes incluíram contagem de leucócitos, contagem de plaquetas, infarto prévio, hemoglobina, função renal, tempo de permanência do PICC, idade, doença hepática leve, uma medida de coagulação chamada tempo de protrombina e diabetes sem complicações graves. Juntas, essas variáveis desenham um quadro de risco de coágulo aumentando quando a inflamação está alta, o sangue e a coagulação estão em desequilíbrio e a linha permanece mais tempo na veia. Uma análise de curva de decisão sugeriu ainda que usar o modelo para orientar tratamento preventivo beneficiaria mais pacientes do que tratar todos ou nenhum.

O que isso pode significar à beira do leito

Para o cuidado cotidiano, este trabalho sugere que médicos poderiam usar informações rotineiras para estimar a probabilidade de um paciente com sepse desenvolver um coágulo relacionado ao PICC antes que o problema surja. Pacientes identificados com alto risco poderiam receber monitoramento mais próximo, tempos de cateter mais curtos, tipos especiais de cateter ou anticoagulação preventiva precoce, enquanto pacientes de baixo risco poderiam evitar tratamentos desnecessários. O estudo tem limitações — vem de um único sistema hospitalar e usa dados retrospectivos em vez de um ensaio clínico prospectivo —, mas oferece um passo concreto em direção ao uso mais personalizado e mais seguro de linhas intravenosas que salvam vidas em alguns dos pacientes mais graves.

Citação: Hao, W., She, Ty., Yuan, Zn. et al. A predictive model for PICC-related thrombosis in sepsis patients using XGBoost algorithm. Sci Rep 16, 14378 (2026). https://doi.org/10.1038/s41598-026-44999-z

Palavras-chave: sepse, cateter PICC, coágulo sanguíneo, aprendizado de máquina, terapia intensiva